TWI801653B - 確定和再訓練晶圓檢查參數方法、非暫態計算機可讀媒體 - Google Patents

確定和再訓練晶圓檢查參數方法、非暫態計算機可讀媒體 Download PDF

Info

Publication number
TWI801653B
TWI801653B TW108130528A TW108130528A TWI801653B TW I801653 B TWI801653 B TW I801653B TW 108130528 A TW108130528 A TW 108130528A TW 108130528 A TW108130528 A TW 108130528A TW I801653 B TWI801653 B TW I801653B
Authority
TW
Taiwan
Prior art keywords
optical
defect
image
interest
inspection
Prior art date
Application number
TW108130528A
Other languages
English (en)
Other versions
TW202013314A (zh
Inventor
趙秉祥
Original Assignee
台灣積體電路製造股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 台灣積體電路製造股份有限公司 filed Critical 台灣積體電路製造股份有限公司
Publication of TW202013314A publication Critical patent/TW202013314A/zh
Application granted granted Critical
Publication of TWI801653B publication Critical patent/TWI801653B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/22—Yield analysis or yield optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design

Abstract

一種確定晶圓檢查參數方法，包括識別在積體電路設計佈局中的興趣區、藉由使用複數光學模式從興趣區產生複數模擬光學影像，來對興趣區執行檢查模擬、以及基於模擬光學影像，選擇光學模式中之至少一者，以用於檢查晶圓區，晶圓區基於在上述積體電路設計佈局中的上述興趣區製造。

Description

確定和再訓練晶圓檢查參數方法、非暫態計算機可讀媒體
本揭露係關於一種確定晶圓檢查參數方法，特別是光學模式被優化的確定晶圓檢查參數方法。
半導體積體電路(integrated circuit；IC)工業快速成長。在積體電路材料及積體電路設計的技術進步產生多個積體電路世代，每一個積體電路世代比上一個積體電路世代有更小及更複雜的電路。然而，這些進步增加了積體電路製程及製造的複雜性。在積體電路發展過程中，當幾何尺寸(例如：用製程可作出之最小部件)下降時，功能密度(例如：每一晶片區域的相連元件數量)通常都會增加。此微縮過程藉由增加生產效率及降低相關成本提供了優勢。
作為積體電路製程的一部分，可以檢查晶圓以識別潛在的缺陷。通常來說，可以使用光學系統進行檢查，但是由於存在表現出不同光學特性的各種類型的缺陷，檢查系統需要仔細地調整光學參數以進行最佳檢測。為了最佳化光學參數，現有的檢查系統需要重複檢查實際晶圓上的實際缺陷。換句話說，檢查是一個耗時的過程，往往效率低下。因此，儘管現有的檢查系統通常已經足夠用於其預期目的，但它們在所有方面都不令人滿意。
本揭露提供一種晶圓檢查參數方法。晶圓檢查參數方法包括識別在積體電路設計佈局(IC)中的興趣區；藉由使用複數光學模式從興趣區產生複數模擬光學影像，來對興趣區執行檢查模擬；以及基於模擬光學影像，選擇光學模式中之至少一者，以用於檢查晶圓區，晶圓區基於在積體電路設計佈局中的興趣區製造。
本揭露提供一種檢查系統，檢查系統包括計算機系統。計算機系統被配置以執行下列步驟：選擇積體電路(IC)設計佈局的一部分；對積體電路設計佈局的一部分執行檢查模擬，其中檢查模擬包括使用光學模式從積體電路設計佈局的一部分產生模擬光學影像；以及確定模擬光學影像的一或多個特性，以評估光學模式。
本揭露提供一種再訓練晶圓檢查參數方法。再訓練晶圓檢查參數方法包括對晶圓區執行光學檢查，晶圓區已基於積體電路(IC)設計佈局製造，其中光學檢查包括使用光學參數組從晶圓區產生光學影像；從晶圓影像產生一或多個缺陷檢測訊號；以及基於缺陷檢測訊號確定是否修改用於檢查晶圓區的光學參數組的數值。
100:方法
102:興趣缺陷
110:操作
111:積體電路設計佈局
112:區域
120:操作
130:操作
132:第一影像
134:第二影像
140:操作
142:差分影像
150:操作
160:操作
170:操作
180:操作
200:方法
210:操作
220:操作
230:操作
240:操作
250:操作
260:操作
270:操作
280:人工智慧結構
282:特性計算模組
284:訓練集
286:神經網路
288:分類層
290:隨機森林模組
292:光學影像
400:檢查系統
410:光源
422:分束器
424:透鏡
430:檢測器
432:光學影像
440:晶圓
1300:計算機系統
1302:匯流排部件
1304:處理器
1306:系統記憶體部件
1308:靜態儲存部件
1310:磁碟驅動部件
1312:網路介面部件
1314:顯示部件
1316:輸入部件
1318:游標控制部件
1320:影像擷取部件
1330:通訊鏈路
本揭露之觀點從後續實施例以及附圖可以更佳理解。須知示意圖係為範例，並且不同特徵並無示意於此。不同特徵之尺寸可能任意增加或減少以清楚論述。
第1圖是根據本揭露實施例之用於確定晶圓檢查參數的方法的示意圖。
第2A圖是根據本揭露實施例之用於再訓練晶圓檢查參數的方法的示意圖。
第2B圖是根據本揭露實施例之用於優化光學參數的人工智慧(artificial intelligence；AI)結構的示意圖。
第3A圖至第3I圖顯示了多個模擬情況，其顯示了用於不同類型的興趣缺陷的光學參數的評估和選擇。
第4圖是根據本揭露實施例之各種揭露方法的檢查系統的示意圖。
第5圖是根據本揭露實施例之各種揭露方法的計算機系統的示意圖。
本揭露提供許多不同的實施例或範例以實施本案的不同特徵。以下的揭露內容敘述各個構件及其排列方式的特定範例，以簡化說明。當然，這些特定的範例並非用以限定。舉例來說，若是本揭露書敘述了一第一特徵形成於一第二特徵之上或上方，即表示其可能包含上述第一特徵與上述第二特徵是直接接觸的實施例，亦可能包含了有附加特徵形成於上述第一特徵與上述第二特徵之間，而使上述第一特徵與第二特徵可能未直接接觸的實施例。這些重複係為了簡化與清晰的目的，並非用以限定所討論的不同實施例及/或結構之間有特定的關係。此外，為了簡化與清晰的目的，可以以不同的比例任意繪製各種特徵。
此外，其與空間相關用詞。例如“在...下方”、“下方”、“較低的”、“上方”、“較高的”及類似的用詞，係為了便於描述圖示中一個元件或特徵與另一個(些)元件或特徵之間的關係。除了在圖式中繪示的方位外，這些空間相關用詞意欲包含使用中或操作中的裝置之不同方位。舉例來說，若在示意圖中之裝置被反轉，被描述在其他元件或特徵之“下方”或“在...下方”的元件也會因而變成在另外其他元件或特徵之“上方”。如此一來，示範詞彙“下方”會涵蓋朝上面與朝下面之兩種解讀方式。除此之外，設備可能被轉向不同方位(旋轉90度或其他方位)，則在此使用的空間相關詞也可依此相同解釋。
本揭露係關於半導體裝置及其檢查方法，特別是關於用於晶圓檢查的光學模式優化。
作為積體電路製程的一部分，晶圓經過檢查以識別潛在的缺陷。檢查是製造半導體裝置(例如積體電路)的重要部分。檢查系統通常具有可調整的光學參數，使得不同的光學參數可用來檢測不同的缺陷類型或最小化不期望的訊號(例如背景雜訊)。然而，由於存在表現出不同光學性質的許多類型的缺陷，檢查系統需要仔細地調整光學參數以進行最佳檢測。為了確定有效的光學參數，用於調整光學檢查配方的當前方法需要重複檢查實際晶圓上的際缺陷。然而，如果要檢查由檢查過程所產生的所有潛在缺陷，則這樣的檢查過程是耗時的。檢查系統具有多種光學參數，每種光學參數都有多種數值選擇，更加劇了這種耗時問題。這意味著檢查系統具有許多(例如：接近100個)光學參數值的可能組合。在實際晶圓上測試所有這些可能是低效且耗時的。此外，即使已經對特定缺陷識別出一組優選的光學參數(光學參數組)，如果製程條件改變(經常發生)，由於缺陷可能在形狀及/或位置已經改變，光學參數組可能不再起作用。
本揭露透過檢查模擬來優化檢查參數，以解決這些問題，而不是透過檢查實際晶圓。檢查模擬不僅允許使用者在一開始識別用於檢查某個缺陷的最佳光學參數組，而且還允許使用者在製程條件改變時調整或微調光學參數。每個光學參數組被認為是光學模式。根據一些實施例，為了對特定興趣缺陷(defect of interest；DOI)優化光學模式，檢查系統首先使用積體電路設計佈局的3D模型來識別其中圍繞興趣缺陷的位置的區域。接著，藉由使用多個候選光學模式產生多個模擬光學影像，來對該區域執行檢查模擬。接著將模擬光學影像相互比較以確定哪一個代表最佳結果，並且選擇對應的光學模式作為優選模式。此外，在初始優化之後，檢查系統能監測製程條件，使得當發現新的興趣缺陷時，可藉由調整光學參數的數值來重新訓練系統。因此，本揭露可以優化 光學參數，而不必在具有實際缺陷的實際晶圓上測試所有可能的光學模式。優化的光學參數可以用於類似興趣缺陷的後續檢查，並且通常不需要太多額外的調整(如果需調整)。在需要調整的情況下，此處所揭露的再訓練機制允許快速調整光學參數以適應製程條件變化。
第1圖是根據本揭露實施例之用於確定晶圓檢查參數的方法100的示意圖。方法100僅為示例，並不限制本揭露。可以在方法100之前、之間以及之後提供額外操作，並且對於方法100的其他實施例，可以替換、移除或移動所描述的一些操作。
方法100可用於檢測各種缺陷，缺陷可被分類為系統缺陷、系統隨機缺陷以及隨機或有害(nuisance)缺陷。在一方面，系統缺陷和系統隨機缺陷有時統稱為“熱點”。這些熱點可能由與電路設計、光罩設計或甚至藉由光學鄰近校正(optical proximity correction；OPC)特徵的實行相關的問題所引起。這些問題可能在每個晶圓和/或晶片中表現出來。換句話說，調整製程參數不會減少或移除系統缺陷或系統隨機缺陷。因此，識別系統缺陷或系統隨機缺陷非常重要，這樣可以採取校正動作來減少或消除來自未來晶圓的這些缺陷。舉例來說，可以對光罩設計或電路設計進行修改。在另一方面，隨機或有害缺陷可能歸因於各種因素，例如不可預期/意外的製程變化、污染物顆粒、人為錯誤、機器錯誤等。因此，即使優化電路設計或光罩設計，也不能完全消除隨機或有害缺陷。它們的出現可能是不重複和隨機的。為了簡化，系統缺陷和系統隨機缺陷在此處可稱為熱點，並且隨機和有害缺陷在此處可稱為有害缺陷。興趣缺陷(DOI)是晶圓檢查者有興趣檢測的任何缺陷。在檢查期間，熱點和有害缺陷都可能是興趣缺陷。在一些實施例中，興趣缺陷是熱點，其位置及/或形狀比有害缺陷更可預測(例如：基於使者的經驗)。
作為晶圓檢查程序的一部分，方法100優化晶圓檢查參數，晶圓檢 查參數將用於檢查潛在的興趣缺陷102。首先，在操作110，選擇積體電路設計佈局111的一部分作為興趣區(area of interest；AOI)，簡稱為區域112。在一個實施例中，選擇區域112，因為經驗資料指出興趣缺陷102可能發生在區域112內。因此，區域112可具有任何合適尺寸或幾何形狀，只要它圍繞興趣缺陷102並且包括相關的佈局資訊。區域112的尺寸足夠大以反映圍繞興趣缺陷102的佈局資訊，但足夠小以使檢查系統在模擬期間有效地處理。在一些實施例中，區域112的尺寸為約200×200平方微米(μm2)或更小(例如：約50×50μm2或約10×10μm2)。積體電路設計佈局和在其中的區域112可以以任何合適的形式存在。舉例來說，積體電路設計佈局或區域112可以是從圖形資料系統(Graphic Data System；GDS)或GDS II檔案建立的3D模型或佈局結構。
接著，模擬兩個不同版本的區域112(一個具有興趣缺陷102而另一個沒有興趣缺陷102)以產生模擬光學影像。具體來說，在操作120處，將人為缺陷加入至區域112以表示興趣缺陷102，這可能在積體電路設計佈局的晶圓製造期間在區域112內發生。人工缺陷不是在晶片上的實際缺陷，而是由檢查系統的使用者加入至區域112，以便確定興趣缺陷102對檢查輸出的影響。DOI 102可以是任何合適類型，例如切割金屬失敗、損壞的氧化物定義鰭片、冗餘閘極或金屬閘極擠壓(extrusion)、合併的金屬線、缺失(miss)的通孔或其他類型的潛在缺陷。這些缺陷的實施例參照第3A圖至第3I圖被進一步描述。在一個實施例中，當人工缺陷被加入至區域112時，檢查系統指定相關資訊，例如興趣缺陷102的類型和興趣缺陷102的位置(例如：相對或絕對的2D或3D坐標)。使用者可以知道(例如：基於經驗)在積體電路設計佈局的某些位置可能發生什麼類型的缺陷，因此使用者可以將這樣的資訊輸入到檢查系統中。
在操作130中，對具有和不具有興趣缺陷102的區域112執行檢查模擬。在一個實施例中，首先對具有興趣缺陷102的區域112執行檢查模擬以產生 第一影像132，接著對乾淨版本的區域112上重複執行檢查模擬以產生第二影像134。由於第一影像132和第二影像不相互依賴，因此可以以任何順序產生它們。可以從區域112的對應3D模型產生第一影像132和第二影像134。此外，為了適當地評估興趣缺陷102的影響，對兩個版本的區域112都使用相同的光學模式136(稱為當前光學模式)。
實際上，檢查系統能夠在各種光學設定(稱為光學模式)中操作。每種光學模式包括一組光學參數(光學參數組)。在一個實施例中，該光學參數組包括像素尺寸、光學波長、孔徑形狀、光學偏振以及聚焦設置。這些參數代表可調整光學特性的五大分類。每個光學參數具有不同數值的選項(數字或範圍)。舉例來說，像素尺寸可以是10nm、20nm、50nm、100nm或任何其他合適數值。光波長可以分為以下範圍：為深紫外光波段(band)的一部分的超深波段(ultra-deep band；UDB)、中波段(middle band；MB)、紫外光波段的一部分的藍波段(BL)、I-line(IL)(約370nm)、G-line(GL)(約430nm)，接近可見光的GHI(IL至GL)波段或任何其它合適光波長。孔徑形狀可以是水平低西格瑪(horizontal low sigma)(HDIB)、邊緣對比度正量(edge contrast plus；ECP)、垂直低西格瑪(vertical low sigma)(VDIB)、明視野(bright field；BF)或任何其他合適光學罩幕孔徑。光學偏振可以是無(偏振2)水平(偏振1)(horizontal none；HN)或無(偏振2)垂直(偏振1)(vertical none；VN)。焦點設置可以是-0.2、0、0.2(在軟體中沒有單位)或任何其他合適數值。在一些實施例中，像素尺寸主導了檢查解析度、光譜(光學波長)具有材料和半導體結構的高校正、孔徑形狀可以分離背景雜訊和缺陷訊號、偏振被認為具有表面形貌(surface topography)、以及焦點設置或決定是取決於晶圓上的缺陷位置。這五個光學參數亦相互影響，因此可以將它們一起考慮以獲得最佳的光學參數組。由於存在五個可調整光學參數，並且每個光學參數具有各種數值，因此檢查系統具有許多可能的光學參數值的組合，其中每個組合可以 被認為是光學模式。當在模擬系統(檢查系統的一部分或獨立系統)中模擬檢查系統時，可以採用相同的光學模式進行分析和優化。在這個意義上，模擬系統也以各種光學模式操作。
在操作140中繼續檢查模擬，其中藉由比較模擬的第一影像132和第二影像134來產生差分影像142。在一個實施例中，從第二影像134中減去第一影像132(反之亦然)，以產生差分影像142。在這種情況下，差分影像142是模擬光學影像。應注意的是，由於模擬光學影像表示由檢查模擬程序產生的區域112的光學影像，所以具有興趣缺陷102的區域112的任何合適表示形式可以用來作為模擬光學圖像，只要其品質可以被適當地評估。舉例來說，代替使用差分影像142，在一些實施例中的第一影像132可以直接用來作為模擬光學影像，因為它是從具有興趣缺陷102的區域112所產生的(在這種情況下，可以省略操作140)。
模擬系統可以使用任何合適演算法來對區域112執行檢查模擬。在一個實施例中，模擬系統基於時域有限差分(finite-difference time-domain；FDTD)方程式以求解區域112的馬克士威邊界條件(Maxwell boundary conditions)。與僅考慮透射光的與光學鄰近校正(OPC)相關的時域有限差分應用相反，模擬系統可以考慮反射光。模擬系統還可以使用卷積完全匹配層(convolutional perfectly matched layer；CPML)吸收邊界條件作為模擬演算法的一部分。模擬系統還可以利用具有入射光過濾技術的近結構(near-structure)檢測器。
在操作150中，差分影像142的一或多個特性(attribute)被計算或以其他方式被確定為評估光學模式136的效能的測量。特性可以幫助確定差分影像142是否允許檢查系統識別興趣缺陷102的存在(或不存在)。各種預定特性可以用於評估光學模式136。舉例來說，預定特性包括可以檢測的缺陷的數量以及檢測訊號的強度。在一些實施例中，檢查系統使用多晶粒適應性閾值(multi-die adaptive threshold；MDAT)演算法，其可以計算描述缺陷與背景信號之間的關係 的各種特性。在這種情況下，預定特性可包括MDAT訊號、MDAT雜訊、MDAT偏移訊號、或訊號雜訊(S/N)比或其組合，MDAT偏移訊號代表MDAT訊號與MDAT雜訊之間的加權差異，其訊號雜訊比代表MDAT訊號與MDAT雜訊之間的比率。在一些實施例中，特性可以取決於被作為目標的興趣缺陷102的類型。舉例來說，如果興趣缺陷102缺失(多個)通孔，則特性可以包括所檢測的缺失的過孔的數量。
由於差分影像142的特性可由檢查系統檢測，因此這些特性可被視為用於評估光學模式136的缺陷檢測訊號。在這種情況下，從模擬光學影像(例如：差分影像142)產生一或多個缺陷檢測訊號，以用於評估光學模式136與其他光學模式。可以從差分影像142直接產生缺陷檢測訊號(例如：MDAT訊號或MDAT雜訊)。還可以從差分影像142間接地產生缺陷檢測訊號(例如：MDAT偏移訊號或訊號雜訊比)。在一些實施例中，當評估兩個光學模式時，從使用第一光學模式產生的第一模擬光學影像產生一或多個第一缺陷檢測訊號。相似地，從使用第二光學模式產生的第二模擬光學影像產生一或多個第二缺陷檢測訊號。接著，藉由比較第一和第二缺陷檢測訊號來評估第一和第二光學模式。評估的細節參照第3A圖至第3I圖被進一步描述。
在操作160中，方法100確定光學模式136是否產生最佳或其他令人滿意的特性。如果為是，則方法100可以進行到操作170，其中選擇光學模式136作為用於將來檢查在區域112中的興趣缺陷102的優選模式。光學模式136被保存在資料庫(稱為缺陷庫或缺陷圖書館)中。否則，如果光學模式136產生不令人滿意的結果(例如：不比先前所測試的光學模式更佳)，則方法100可以進行到操作180，其中改變光學模式136的一或多個光學參數值。舉例來說，可以改變像素尺寸、光學波長、孔徑形狀、光學偏振以及聚焦設置或其組合。此時，光學模式136變為新的光學模式(也可以被認為是修正的光學模式136)。
在操作180中改變光學參數的一或多個數值之後，方法100返回到操作130，其中使用新的光學模式(或修正的光學模式136)對區域112(具有和不具有興趣缺陷102)重複執行檢查模擬。上面的描述相似，產生新的差分影像，然後計算新的差分影像的特性，以用於對比原始的光學模式136來評估新的光學模式。在一些實施例中，當評估兩個光學模式時，將兩個差分影像的對應特性相互比較。在比較之後，選擇產生更好特性(基於預定標準)的光學模式作為優選光學模式，以用於將來檢查在區域112中的興趣缺陷102。接著將此光學模式加入至缺陷庫，缺陷庫儲存與缺陷相關的資訊(例如缺陷形狀、缺陷位置以及周圍環境)。在一個實施例中，可以重複執行方法100的某些操作(例如：操作130、140、150、160以及180)直到識別出優選的光學模式或者直到光學模式136產生令人滿意的結果。優選的光學模式有時被稱為最佳化方法(best known method；BKM)模式。
在一些實施例中，方法100的一些操作由光學檢查系統的使用者手動執行。舉例來說，方法100可以從每個光學模式產生一組特性，接著使用者提供多組特性以決定哪種光學模式運作最佳。檢查系統可選擇一些有望的(promising)光學模式並將它們作為候選呈現給使用者進行最終選擇。
可以使用各種合適技術來優化光學模式。在一些實施例中，將從不同光學模式的影像計算的相同光學圖像特性的數值相互比較，以確定哪個光學模式產生相對更好的特性。在一個實施例中，直接比較訊號雜訊比的特性值，並且選擇有最高訊號雜訊比的光學模式作為最佳光學模式。或者，可以根據排名系統對每個特性值進行排序，並且排名最高的特性值可對應於最佳光學模式。在一些實施例中，以綜合方式評估模擬光學影像的多個特性。舉例來說，以第一特性來說第一模擬光學影像可以優於第二模擬光學影像，但是以第二屬性特性來說可能比第二模擬光學影像更差。在這種情況下，可以一起評估第一 和第二特性(例如：給予更重要的特性更多權重)以確定哪個模擬光學影像產生總體更好的特性。
在一些實施例中，使用人工智慧(artificial intelligence；AI)演算法(例如機器學習演算法、深度學習演算法、隨機森林演算法及/或混合模型演算法)來選擇最佳光學模式。這種人工智慧演算法藉由從過去的比較中學習，並且藉由向光學檢查系統的使用者提供意見或建議，來幫助檢查系統更有效率地識別最佳化方法模式。人工智慧演算法的更多細節參照第2B圖在下面描述。
一旦使用方法100識別出優選的光學模式，只要製程條件沒有顯著改變，優選的光學模式可以用來長時間檢查某個興趣缺陷。然而，有時製程條件確實改變，這可能影響在晶圓上的興趣缺陷的形成。舉例來說，興趣缺陷的位置及/或類型可以改變，使得優選的光學模式可能隨著時間的推移而失去其有效性。因此，此處揭露了一種再訓練機制以幫助維持檢查系統的有效性。
第2A圖是根據本揭露實施例之用於再訓練晶圓檢查參數的方法200的示意圖。與方法100相似，方法200僅為示例，並且不限制本揭露。可以在方法200之前、之間以及之後提供額外操作，並且對於方法200的其他實施例，可以替換、移除或移動所描述的一些操作。
方法200可以與方法100結合使用以檢測各種缺陷。為了開始方法200，在操作210中，檢查系統遇到的潛在新興趣缺陷。新興趣缺陷可以是在已知位置的新類型興趣缺陷、在新位置的已知類型興趣缺陷或在新位置的新類型興趣缺陷。在操作220，檢查系統可以進行佈局相似性檢查，以識別(在類型、位置或兩者上)最接近新興趣缺陷的已知興趣缺陷。如上面所述，已知興趣缺陷具有與之相關的優選光學模式。佈局相似性檢查可以使用任何合適演算法來比較興趣缺陷。在識別已知興趣缺陷之後，在操作230中，檢查系統可以使用用於已知興趣缺陷的優選光學模式來檢查新興趣缺陷。可以使用任何合適的檢查機 制。在操作240中，一或多個特性或缺陷檢測訊號被計算或以其他方式被確定以評估優選光學模式(具體來說，其中所包含的光學參數組)。根據興趣缺陷，可以使用任何合適特性。在操作250中，方法200基於特性確定優選光學模式是否通過或未通過預定標準。舉例來說，可以根據排名系統對每個特性值進行排名，並且認為低於一個閾值等級的任何等級都不符合標準。舉另一例來說，每個特性值可以被賦予分數，並且可以指定通過分數。也可以以組合的方式考慮多個特性。如果在操作250中的優選光學模式通過預定標準，則方法200前進到操作260，其中檢查系統採用優選光學模式以用於將來檢查新興趣缺陷。新興趣缺陷可以加入至缺陷庫中。否則，如果優選光學模式未通過預定標準，則方法100前進到操作270，其中將重複識別優選光學模式的初始程序，如方法100所述。在此程序中，藉由修改一或多個光學參數的數值來改變光學模式。在操作260之後，選擇新的光學模式用於檢查新興趣缺陷，並且將相關資訊加入至缺陷庫。
如上面所述，缺陷庫一開始儲存從方法100獲得的資訊，包括光學模式、缺陷類型、缺陷位置以及周圍佈局資訊。初始缺陷可以進一步包括從先前檢查所獲得的經驗資料。隨著持續地使用檢查系統發現更多缺陷，可以將關於新缺陷的資訊結合至缺陷庫中。如果缺陷庫對於一個缺陷具有最佳光學模式，但是已經發現幾個新缺陷，其中該模式不再有效(例如：由於製程條件的改變)，檢查系統具有機器學習能力以建立新模式。
如上面所述，在一些實施例中，人工智慧(AI)用來幫助選擇最佳光學模式。第2B圖是根據揭露實施例之人工智慧結構280的示意圖。人工智慧結構可為方法100及/或方法200的一部分。如第2B圖所示，人工智慧結構280可包括特性計算模組282、訓練集284、神經網路286、分類層288以及隨機森林模組(random forest module)290。在一些實施例中，光學影像292被饋送到人工智慧結構280中，並且由特性計算模組282和訓練集284並行地接收。在一方面，特性計 算模組282可以計算光學影像292的屬性，例如缺陷訊號、雜訊訊號以及缺陷拓撲(topology)資訊等。舉例來說，可以根據方法100所述確定包括MDAT灰度級(gray level；GL)、MDAT偏移以及缺陷大小的特性。在另一方面，訓練集284可以向光學圖像292提供合適影像以用於比較分析。訓練集284可以提供來自實際缺陷的修補影像(patch image)，其包含之前在不同處理層發生的不同缺陷類型。影像可以由神經網路286(例如，resnet 18網路)處理以產生特性。在一些實施例中，神經網路286包括用於計算特性的至少一個卷積層及/或深度可分離卷積層。有時可能存在大量特性，在這種情況下，分類層288可以確定並選擇用於額外分析的最佳特性。在一個實施例中，分類層288可包括用於特性選擇的至少一個全連接(fully connected；FC)層。分類層288可以實行為多個階段(stage)，每個階段可以將特性的數量減少一半(例如，從256到128，從128到64等)。分類層288可以確定並輸出缺陷機率(嵌入其他特性)，其可以連接到隨機森林模組290以輸出最終缺陷機率。因此，隨機森林模組290混合或組合特性計算模組282和分類層288的兩個輸出以產生最終缺陷機率。最終缺陷機率接著可被用來確定缺陷的可檢測性(例如：機率一意味檢測，而機率零意味沒有檢測)。因此，最終缺陷機率可以用在方法100或200中以幫助優化或再訓練光學模式。包含特性計算模組282的人工智慧結構280的上部(upper portion)有時被稱為機器學習部分，而包含訓練集284、神經網路286以及分類層288的人工智慧結構280的下部(lower portion)可以被稱為深度學習部分。光學影像292可以表示模擬光學影像(例如：當人工智慧結構280用於光學模式優化時)或實際檢查影像(例如，當基於資料庫訓練人工智慧結構280時(該資料庫包括在真實晶圓上的真實已知缺陷)，在這種情況下，輸出缺陷機率可以確定人工智慧結構280的有效性)。總而言之，人工智慧結構280可以使用最終缺陷機率來幫助優化光學模式。
第3A圖至第3I圖顯示了多個模擬情況，其顯示了用於不同類型的 興趣缺陷的光學參數的評估和選擇(例如：使用方法100及/或200)。第3A圖使用示例興趣缺陷來說明所揭露的檢查模擬的基本概念。在第3A圖中的示例興趣缺陷是切割金屬失敗，其中缺失(miss)切割金屬的一部分。興趣缺陷在示例的區域112中，其大小為約2×2μm2。區域112的第一版本具有興趣缺陷102(其可以被加入至區域112的3D模型)，而第二版本的區域112不具有興趣缺陷102。對區域112的第一版本執行檢查模擬以產生第一影像(模擬缺陷影像)132，並且對區域112的第二版本執行相同的檢查模擬以產生第二影像(模擬缺陷影像)134。在檢查模擬期間，對兩個版本的區域112使用相同的光學模式。從第二影像134中減去第一影像132(反之亦然)，以產生差分影像142。差分影像142是模擬光學影像，在其上可以計算各種特性以評估當前光學模式。如上面所述，可以在識別優選光學模式的程序中測試和比較多種光學模式。
第3B圖顯示了七種模擬測試，其中七種不同的光學模式用於模擬如第3A圖中所示的相同區域112。每個光學模式具有至少一個與其他光學模式不同的光學參數值。如第3B圖所示，光學模式1使用50nm的像素尺寸，BL的波長範圍、BF的孔徑形狀、VN的偏振以及0的焦點。光學模式2與光學模式1相同，除了光學模式2使用UDB的波長範圍。光學模式3與光學模式1相同，除了光學模式3使用MB的波長範圍。光學模式4與光學模式2相同，除了光學模式4使用ECP的孔徑形狀。光學模式5與光學模式1相同，除了光學模式5使用IL的波長範圍。光學模式6與光學模式2相同，除了光學模式6使用HN的偏振。最後，光學模式7與光學模式5相同，除了光學模式7使用HN的偏振。此外，除非另外說明，否則在模擬中的雜訊準位(noise level)設定為10%。
每個光學模式產生對應的缺陷影像(顯示於第3B圖)和對應的無缺陷影像(在第3B圖中未顯示)，它們接著用於產生對應的差分影像(顯示於第3B圖)。對每個差分影像計算預定特性(包括MDAT訊號、MDAT雜訊、MDAT偏移 訊號(可以是(或不是)MDAT訊號與MDAT雜訊之間的數學差異)、或MDAT訊號雜訊比)。舉例來說，光學模式2的MDAT訊號雜訊(S/N)比(等於MDAT訊號除MDAT雜訊)為約9.7。將七種光學模式的對應特性相互比較。如第3B圖所示，光學模式2在七種光學模式中產生最高的MDAT訊號雜訊(S/N)比，因此被確定為最佳光學模式。為了驗證光學模式2的有效性，使用光學模式2檢查具有實際興趣缺陷的實際晶圓(如第3A圖所示)，並且實際檢查影像顯示在第3B圖中。實際檢查影像(與光學模式2的模擬缺陷影像相似)允許識別實際興趣缺陷。因此，此處揭露的光學模式選擇方法被證明是識別興趣缺陷的有效工具。
第3C圖顯示了具有不同類型興趣缺陷的積體電路設計佈局區域，並且第3D圖顯示了七種模擬測試，其中七種不同的光學模式用於模擬如第3C圖中所示的區域。在第3C圖中的示例興趣缺陷是損壞的氧化物定義鰭片。第3D圖的各個示例與第3B圖的示例相似，並且為了簡明起見，不再進一步描述這些相似示例。每個光學模式具有至少一個與其他光學模式不同的光學參數值。每個光學模式的光學參數值顯示在第3D圖中。在一些實施例中，以綜合方式評估模擬光學影像的多個特性。舉例來說，如第3D圖所示，在光學模式1具有最佳MDAT訊號雜訊比，但是光學模式2具有最低MDAT雜訊準位，而光學模式4具有最高MDAT訊號強度。因此，根據評估標準，這些光學模式中的每一種都有其自身的優點。此外，由於不同的評估標準(例如：研究開發傾向使用MDAT訊號強度，而製造傾向使用MDAT訊號雜訊比)，用於製造的最佳模式(例如：光學模式2)可能與用於研究開發的最佳模式(例如：光學模式4)不同。在一些實施例中，代替直接選擇優選光學模式，模擬系統可以向使用者提供多個光學模式以選擇優選模式。第3D圖顯示出就MDAT訊號雜訊比而言，前三的光學模式是：光學模式1、2以及4。這些頂級模式中的每一種都是可行的選擇。
第3E圖顯示了具有另一種不同類型的興趣缺陷的積體電路設計佈 局區域，第3F圖顯示了七種模擬測試，其中七種不同的光學模式用於模擬如第3E圖中所示的區域。在第3E圖中的示例興趣缺陷是一或多個冗餘閘極或金屬閘極擠壓。第3F圖的各個示例與第3B圖的示例相似，並且為了簡明起見，不再進一步描述這些相似示例。每個光學模式具有至少一個與其他光學模式不同的光學參數值。每個光學模式的光學參數值顯示在第3F圖中。在一些實施例中，模擬系統可以向使用者提供多個光學模式以選擇優選模式。第3F圖顯示出就MDAT訊號雜訊比而言，前三的光學模式是：光學模式1、2以及6。因此，這三種模式中的每一種都是可行的選擇。此外，在這些候選中，光學模式2具有最低MDAT雜訊準位、光學模式6具有最高MDAT訊號強度和最高MDAT訊號雜訊比、以及光學模式1具有所有這些特性的中間值。因此，根據評估標準，這些光學模式中的每一種都有其自身的優點。在一個實施例中，選擇光學模式1作為用於檢查如第3E圖中所示的興趣缺陷的優選模式。
第3G圖顯示了具有另一種不同類型的興趣缺陷的積體電路設計佈局區域，其中兩種不同的光學模式用於模擬如第3G圖中所示的區域。在第3G圖中的示例興趣缺陷是無意中合併的金屬線。從光學模式1和2個別地產生兩個模擬缺陷影像。如第3G圖所示，從兩個圖像計算特性，其中垂直軸表示MDAT灰度級，水平軸表示MDAT偏移(越大的值表示越好的結果)。在第3G圖中的兩個圖表的比較表明由於VN偏振具有比HN偏振更高的特性值，因此VN偏振優於HN偏振以檢查如第3G圖中所示的興趣缺陷的類型。
第3H圖顯示了具有另一種類型的興趣缺陷的積體電路設計佈局區域，其中兩種不同的光學模式用於模擬如第3H圖中所示的相同區域。在第3H圖中的示例興趣缺陷缺失(多個)通孔。兩種光學模式使用相同的光學參數，除了一種模擬使用ECP的孔徑形狀而另一種模擬使用BF的孔徑形狀。從兩個光學模式個別地產生兩個模擬缺陷影像。在這種情況下，一個有用的特性是可以檢測 到的缺失的通孔的數量和雜訊訊號準位(表示為SNV(noise signal level))。在第3H圖中的兩個圖表的比較表明由於ECP具有數量較多的檢測到的缺失通孔並且雜訊訊號準位低於BF，因此ECP的孔徑形狀優於BF的孔徑形狀以用於檢查如第3G圖所示的興趣缺陷類型。
第3I圖顯示了具有另一種類型的興趣缺陷的積體電路設計佈局區域，其中兩種不同的光學模式用於模擬如第3I圖中所示的區域的一部分。在第3I圖3I中的示例興趣缺陷是冗餘閘極或金屬閘極擠壓，其可以發生中段製程(middle end of line；MEOL)。如上面所述，預定光學模式產生模擬缺陷影像(顯示於第3I圖)和無缺陷影像(在第3I圖中未顯示)，它們接著用於產生差分影像(顯示於第3I圖)。有趣的是，差分影像顯示了類波紋(ripple-like)圖案，其圖案代表了如在3I圖中所示的興趣缺陷類型。這種獨特的圖案可以幫助檢查系統識別如在3I圖中所示的興趣缺陷類型。為了驗證模擬的有效性，已測試了具有這種類型的興趣缺陷的實際晶圓的實際檢查影像。如第3I圖所示，類波紋圖案確實出現在不同的圖像中。此外，類波紋圖案在某些模式下比其他模式更清晰。透過此處揭露的光學模式優化方案，可以識別最佳光學模式以使類波紋圖案盡可能清晰，以便最大化檢測如第3I圖中所示的興趣缺陷類型的機會。
如此處揭露，本揭露實施例允許優化光學參數，而不必對具有實際缺陷的實際晶圓測試所有可能的光學模式。優化的光學參數可以用於類似興趣缺陷的後續檢查，並且如果有的話通常不需要太多額外的調整。在需要調整的情況下，此處所揭露的再訓練機制允許快速調整光學參數以適應製程條件變化。因此，此處揭露的實施例節省了時間並且提高了晶圓檢查系統的效率。
第4圖是適用於此處所述的各種方法(例如方法100或200)的檢查系統400的示意圖。檢查系統400包括光學系統，光學系統又包括光源410、一或多個光學路徑部件(例如分束器422和透鏡424)以及光學訊號的檢測器430。光學 系統使用光對晶圓440執行光學檢查，以識別在晶圓440上的潛在缺陷。在一個實施例中，來自光源410的光可以被引導至分束器422，分束器422可以被配置以將來自光源410的光引導至晶圓440。光源410可以以任何合適方式實現，以產生任何合適波長或波長範圍的光能。光學路徑部件可包括任何其他合適元件(未顯示)，例如各種類型的透鏡、孔徑、濾光器、偏振部件等。可以以任何合適入射角將光引導至在晶圓440上的任何區域。檢查系統400可以以任何合適方式掃描在晶圓440上的光。從晶圓440反射的光可以由檢測器430收集和檢測。在一個實施例中，從晶片440反射的光可以通過分束器422到達透鏡424。透鏡424可包括折射光學元件，並且由透鏡424收集的光可以傳遞到檢測器430。檢測器430可包括任何合適檢測器，例如感光耦合裝置(charge coupled device；CCD)或其他類型的影像檢測器。
使用任何合適的製造方法和製程，至少部分地基於積體電路設計佈局來製造晶圓440。晶片440包括在基板上製造的各種結構和半導體層。可以使用任何合適的基板。基於在此處揭露的積體電路設計佈局中的興趣區來製造待檢查的晶圓440的區域。舉例來說，在製程期間使用在積體電路設計佈局中的興趣區(例如：GDS檔案)，以在晶圓440上的相應區域中創建。這兩個區域可以具有相同或相似的結構和半導體層(但一個是虛擬的，另一個是物理的)。晶圓440的區域(晶圓區)可能包含在製造期間發生的興趣缺陷。因此，為了優化這種興趣缺陷的檢測，可以將表示興趣缺陷的人工缺陷加入至積體電路設計佈局中的興趣區，以用於如上面所述的檢查模擬。注意不需要從包含積體電路設計佈局的特定檔案創建晶圓440。此外，晶圓440的檢查區不需要具有與在積體電路設計佈局中的興趣區相同的尺寸或形狀。
檢查系統400更包括(或耦接至)計算機系統1300，其在第5圖中進一步描述。計算機系統1300可包括此處揭露的模擬系統，並且計算機系統1300 與檢測器430(或光學系統的另一部分)通訊以實行方法(例如方法100或200)。在一個實施例中，光學系統使用由計算機系統1300提供的光學模式來光學檢查晶圓440的區域。反過來說，光學系統產生光學影像432以供計算系統1300分析。雖然未在第4圖中顯示，但是可以在光學系統與計算機系統1300之間傳送其他類型的資料(例如：積體電路設計佈局、興趣缺陷相關資訊、缺陷檢測訊號等)。光學影像432可以是任何合適類型的輸出訊號(例如影像、影像資料、訊號、影像訊號)，其可以由計算機系統1300或檢查系統400的使用者使用。
在一個實施例中，作為用於再訓練晶圓檢查參數的程序的一部分(例如：使用方法200)，檢查系統400藉由使用一組光學參數(光學參數組)從晶圓440產生光學影像432，來對晶圓440的區域執行光學檢查。如此處所述，可以從光學影像432產生一或多個缺陷檢測訊號，並且檢查系統400可以基於缺陷檢測訊號來確定是否修改用於檢查晶圓440的區域的該組光學參數的數值。如果缺陷檢測訊號不滿足預定標準，則可以修改該組光學參數中的一或多個數值，如上面所述。
第5圖是適合用來實行此處所述的各種方法和裝置的計算機系統1300的示意圖，例如實行方法100或200的各種方法步驟。在各種實施例中，計算機系統可包括有形的非暫態計算機可讀媒體，其包括可執行指令。當這些可執行指令由一或多個電子處理器執行時，這些可執行指令使一個或多個電子處理器執行方法100或200的步驟。在一些實施例中，能夠執行這些步驟的裝置可包括網路通訊裝置(例如：行動動電話、筆記型電腦、個人計算機、平板電腦等)、網路計算裝置(例如：網路伺服器、計算機處理器、電子通訊介面等)或其他合適裝置。因此，應理解能夠實行方法100或200的裝置可以以如下方式實現為計算機系統1300。
根據本揭露實施例，計算機系統1300(利如網路伺服器或行動通訊 裝置)包括用於傳遞資訊的匯流排部件1302或其他通訊機制，匯流排部件1302將子系統和部件互連，子系統和部件包括處理器1304(例如：處理部件、微控制器、數位訊號處理器(digital signal processor；DSP)等)、系統記憶體部件1306(例如：隨機存取記憶體(random access memory；RAM))、靜態儲存部件1308(例如：唯讀記憶體(read only memory；ROM))、磁碟驅動部件1310(例如：磁碟或光碟)、網路介面部件1312(例如：數據機卡或乙太網路卡)、顯示部件1314(例如：陰極射線管(cathode ray tube；CRT)或液晶顯示器(liquid crystal display；LCD))、輸入部件1316(例如：鍵盤)、游標控制部件1318(例如：滑鼠或軌跡球)以及影像擷取部件1320(例如：類比或數位相機)。在一個實現中，磁碟驅動部件1310可包括具有一或多個磁碟驅動部件的資料庫。
根據本揭露實施例，計算機系統1300藉由處理器1304執行包含在系統記憶體部件1306中的一或多個指令的一或多個程序(sequence)來執行特定操作。這些指令可以從另一計算機可讀媒體(例如靜態儲存部件1308或磁碟驅動部件1310)讀入系統記憶體部件1306。在其他實施例中，可以使用硬佈線電路(hard-wired circuitry)來代替(或結合)軟體指令來實行本揭露。
可以在計算機可讀媒體中對邏輯進行編碼，計算機可讀媒體可以是參與對處理器1304提供指令以供執行的任何媒體。這種媒體可以採用許多形式，包括非揮發性媒體和揮發性媒體，但不限於此。在一個實施例中，計算機可讀媒體是非暫態的。在各種實施例中，非揮發性媒體包括光碟或磁碟(例如磁碟驅動部件1310)，而揮發性媒體包括動態記憶體(例如系統記憶體部件1306)。在一方面，與執行指令有關的資料和資訊可以透過傳輸媒體傳輸到計算機系統1300，例如以聲波或光波的形式(包括在無線電波和紅外光資料通訊期間產生的那些)。在各種實施例中，傳輸媒體可包括同軸電纜、銅線以及光纖，包括具有匯流排部件1302的導線。
計算機可讀媒體的一些常見形式包括磁片、軟碟、硬碟、磁帶、任何其他磁性媒體、唯讀記憶光碟(Compact Disc Read-Only Memory；CD-ROM)、任何其他光學媒體、打孔卡、紙帶(paper tape)、具有孔洞圖案的任何其他物理媒體、隨機存取記憶體、可程式唯讀記憶體(Programmable read-only memory；PROM)、可抹拭可程式唯讀記憶體(Erasable Programmable Read Only Memory；EPROM)、快閃EPROM(FLASH-EPROM)、任何其他記憶體晶片或磁帶匣、載波或任何其他適合於計算機從其讀取的媒體。
在本揭露各種實施例中，可藉由計算機系統1300執行指令程序以實行本揭露。在本揭露各種實施例中，藉由通訊鏈路1330(例如：通訊網路，例如區域網路(Local Area Network；LAN)、無線區域網路(Wireless LAN；WLAN)、公用電話交換網路(Public Telephone Switched Network；PTSN)及/或各種其他有線或無線網路(包括電信電話網路、行動電話網路以及手機網路))耦接的複數計算機系統1300可以執行指令程序以彼此協調地實行本揭露。
計算機系統1300可以通過通訊鏈路1330和網路介面部件1312發送和接收包括一或多個程式(即應用碼(application code))的訊息、資料、資訊以及指令。接收的程式碼可以由處理器1304執行，如接收及/或儲存在磁碟驅動部件1310或一些其他非揮發性儲存部件中以用來執行。
在適用的情況下，可以使用硬體、軟體或硬體和軟體的組合來實行本揭露各種實施例。此外，在適用的情況下，可以將在此所述的各種硬體部件及/或軟體部件組合成包括軟體、硬體及/或兩者的複合部件，而不超出本揭露。在適用的情況下，可以將在此所述的各種硬體部件及/或軟體部件分成包括軟體、硬體及/或兩者的子部件，而不超出本揭露。另外，在適用的情況下，預期軟體部件可實行為硬體部件(反之亦然)。
根據本揭露的軟體(例如計算機程式碼及/或資料)，可以儲存在一 或多個計算機可讀媒體上。更預期此處所識別的軟體可以使用一或多個通用或專用計算機及/或計算機系統(互聯網及/或以其他方式)來實行。在適用的情況下，可以改變此處所述的各種步驟的順序、組合成複合步驟及/或分成子步驟，以提供此處所述的特徵。
應理解相同的圖式標記用於標識一或多個在圖式中所示的相同元件，其中這些標記的圖式是用於說明本揭露實施例，而不是用於限制本揭露實施例。
本揭露提供一種確定晶圓檢查參數方法。確定晶圓檢查參數方法包括識別在積體電路設計佈局中的興趣區、藉由使用複數光學模式從興趣區產生複數模擬光學影像，來對興趣區執行檢查模擬、以及基於模擬光學影像，選擇光學模式中之至少一者，以用於檢查晶圓區(晶圓上的區域)，晶圓區基於在積體電路設計佈局中的興趣區製造。
在一些實施例中，在對興趣區執行檢查模擬期間，藉由執行以下步驟，使用對應光學模式產生模擬光學影像之每一者：使用光學模式從興趣區產生第一影像；將人工缺陷加入至興趣區中；使用光學模式從具有人工缺陷的興趣區產生第二影像；以及藉由從第一影像和第二影像中之一者減去第一影像和第二影像中之另一者，產生模擬光學影像作為差分影像。在一些實施例中，人工缺陷表示在製造期間的晶圓區中可能發生的興趣缺陷(DOI)。當將人工缺陷加入至興趣區時，指定興趣缺陷的類型和位置。所選擇的光學模式用於檢查在興趣區中的興趣缺陷。在一些實施例中，圍繞興趣缺陷的興趣區的具有約200x200μm2的面積或更小的面積。在一些實施例中，確定晶圓檢查參數方法更包括將與興趣缺陷相關的資料加入至資料庫中。與興趣缺陷相關的資料包括所選擇的光學模式、興趣缺陷的類型、興趣缺陷的位置以及興趣區的位置。在一些實施例中，光學模式包括第一光學模式和第二光學模式。模擬光學影像包括 第一模擬光學影像和第二模擬光學影像，第一模擬光學影像和第二模擬光學影像從興趣區個別地使用第一光學模式和第二光學模式來產生。基於模擬光學影像，選擇光學模式中之至少一者的步驟包括：計算第一模擬光學影像的一或多個特性；計算第二模擬光學影像的一或多個特性；以及藉由將第一模擬光學影像的特性與第二模擬光學影像的對應特性進行比較來評估第一光學模式和第二光學模式。在一些實施例中，第一光學模式和第二光學模式各自包括從以下所選擇的複數光學參數：像素尺寸、光學波長、孔徑形狀、光學偏振以及聚焦設置。光學參數中至少一者於第一光學模式和第二光學模式具有不同的參數值。在一些實施例中，特性包括訊號雜訊比。
本揭露提供一種檢查系統，檢查系統包括計算機系統，計算機系統被配置以選擇積體電路(IC)設計佈局的一部分，並且對積體電路設計佈局的一部分執行檢查模擬。檢查模擬包括使用光學模式從積體電路設計佈局的一部分產生模擬光學影像。計算機系統還被配置以確定模擬光學影像的一或多個特性，以評估光學模式。在一些實施例中，檢查系統更包括光學系統，光學系統被配置以使用光學模式光學地檢查晶圓區。晶圓區至少部分地基於積體電路設計佈局的一部分來製造。
在一些實施例中，光學模式是第一光學模式，並且模擬光學影像是第一模擬光學影像。計算機系統更被配置以執行下列步驟：使用第二光學模式以從積體電路設計佈局的一部分產生第二模擬光學影像；確定第二模擬光學影像的一或多個特性；以及藉由將第一模擬光學影像的特性與第二模擬光學影像的對應特性進行比較來評估第一光學模式和第二光學模式。在一些實施例中，計算機系統更被配置以指定在資料庫中的第一光學模式和第二光學模式中之一者作為優選模式，以用於檢查積體電路設計佈局的一部分。在一些實施例中，第一光學模式和第二光學模式各自包括從以下所選擇的複數光學參數：像 素尺寸、光學波長、孔徑形狀、光學偏振以及聚焦設置。光學參數中至少一者於第一光學模式和第二光學模式具有不同的參數值。在一些實施例中，使用光學模式從積體電路設計佈局的一部分產生模擬光學影像的步驟包括：使用光學模式從積體電路設計佈局的一部分產生第一影像；將人工缺陷加入至積體電路設計佈局的一部分中；使用光學模式從具有人工缺陷的積體電路設計佈局的一部分產生第二影像；以及藉由從第一影像和第二影像中之一者減去第一影像和第二影像中之另一者，產生模擬光學影像作為差分影像。在一些實施例中，人工缺陷表示在晶圓區內可能發生的興趣缺陷(DOI)，晶圓區基於積體電路設計佈局的一部分製造。在一些實施例中，當將人工缺陷加入至積體電路設計佈局的一部分時，指定興趣缺陷的類型和位置。在一些實施例中，積體電路設計佈局的部分基於3D模型，並且其中檢查模擬更包括使用時域有限差分(FDTD)來解馬克士威邊界條件。在一些實施例中，藉由比較第一模擬光學影像和第二模擬光學影像來評估第一光學模式和第二光學模式包括使用機器學習演算法、隨機森林演算法以及混合模型演算法中之至少一者。
本揭露提供一種再訓練晶圓檢查參數方法。再訓練晶圓檢查參數方法包括對晶圓區執行光學檢查，晶圓區已基於積體電路(IC)設計佈局製造，其中光學檢查包括使用光學參數組從晶圓區產生光學影像。再訓練晶圓檢查參數方法更包括從晶圓影像產生一或多個缺陷檢測訊號，並且基於缺陷檢測訊號確定是否修改用於檢查晶圓區的光學參數組的數值。在一些實施例中，再訓練晶圓檢查參數方法更包括基於未能滿足預定標準的缺陷檢測訊號的確定結果修改光學參數組的一或多個數值。在一些實施例中，根據資料庫光學參數組與第一缺陷相關聯，資料庫儲存與第一缺陷相關的資訊。晶圓區包括與第一缺陷不同的第二缺陷。再訓練晶圓檢查參數方法更包括在修改光學參數組的一或多個數值之後，將與第二缺陷相關的資訊加入至資料庫中。與第二缺陷相關的資訊包 括第二缺陷的類型、第二缺陷的位置以及光學參數組的修改數值。
前述內文概述了許多實施例的特徵，使本技術領域中具有通常知識者可以從各個方面更佳地了解本揭露。本技術領域中具有通常知識者應可理解，且可輕易地以本揭露為基礎來設計或修飾其他製程及結構，並以此達到相同的目的及/或達到與在此介紹的實施例等相同之優點。本技術領域中具有通常知識者也應了解這些相等的結構並未背離本揭露的發明精神與範圍。在不背離本揭露的發明精神與範圍之前提下，可對本揭露進行各種改變、置換或修改。
100:方法
102:興趣缺陷
110:操作
111:積體電路設計佈局
112:區域
120:操作
130:操作
132:第一影像
134:第二影像
140:操作
142:差分影像
150:操作
160:操作
170:操作
180:操作

Claims (13)

  1. 一種確定晶圓檢查參數方法，包括：識別在一積體電路設計佈局(IC)中的一興趣區，其中一特定興趣缺陷(DOI)在上述興趣區中；使用複數光學模式來對上述興趣區執行複數檢查模擬，從而產生複數模擬光學影像，其中上述光學模式之每一者具有與上述光學模式內的複數其他光學模式不同的至少一光學參數值；從上述模擬光學影像中的每一者產生複數影像特性；基於上述模擬光學影像中的每一者的上述影像特性的比較，從上述光學模式選擇用於上述特定興趣缺陷的一優選光學模式，其中上述優選光學模式的上述影像特性比與任何其他光學模式相關的上述影像特性更好地識別上述特定興趣缺陷；以及在執行上述檢查模擬之後，使用所選擇的上述優選光學模式檢查在一晶圓上的上述興趣區。
  2. 如請求項1之確定晶圓檢查參數方法，其中在對上述興趣區執行上述檢查模擬期間，藉由執行以下步驟，使用對應的一光學模式產生上述模擬光學影像之每一者：使用上述光學模式從沒有上述興趣缺陷的上述興趣區產生一第一影像；使用上述光學模式從具有上述興趣缺陷的上述興趣區產生一第二影像；以及藉由從上述第一影像和上述第二影像中之一者減去上述第一影像和上述第二影像中之另一者，產生上述模擬光學影像作為一差分影像。
  3. 如請求項1之確定晶圓檢查參數方法，其中上述選擇上述優選光學模式的操作包括從對應一第一影像特性值的上述光學模式中選擇一光學模 式，上述第一影像特性值高於上述模擬光學影像中之其他每一者的上述第一影像特性值。
  4. 一種非暫態計算機可讀媒體，其上儲存有用於執行包括機器可執行碼的方法的指令，上述方法當由至少一機器執行時，使上述機器執行以下操作：選擇一積體電路(IC)設計佈局的一部分，其中一特定興趣缺陷(DOI)在上述積體電路設計佈局的上述部分中；對上述積體電路設計佈局的上述部分執行複數檢查模擬，其中上述檢查模擬包括使用複數光學模式以從上述積體電路設計佈局的上述部分產生複數模擬光學影像，其中上述光學模式之每一者具有與上述光學模式內的複數其他光學模式不同的至少一光學參數值；從上述模擬光學影像的每一者中確定一或多個特性；比較上述模擬光學影像之每一者的上述一或多個特性；以及基於上述模擬光學影像中的每一者的上述一或多個特性的比較，從上述光學模式選擇用於上述特定興趣缺陷的一優選光學模式，其中上述優選光學模式基於由上述優選光學模式產生的上述模擬光學影像的上述一或多個特性，比任何其他光學模式更好地識別上述特定興趣缺陷。
  5. 如請求項4之非暫態計算機可讀媒體，其中上述選擇上述優選光學模式的操作包括選擇對應一第一影像特性值的上述光學模式，上述第一影像特性值高於複數模擬光學影像中的其他每一者的上述第一影像特性值。
  6. 如請求項4之非暫態計算機可讀媒體，其中上述使用上述光學模式之一光學模式從上述積體電路設計佈局的上述部分產生一模擬光學影像的操作包括：使用上述光學模式從沒有上述興趣缺陷的上述積體電路設計佈局的上述部 分產生一第一影像；使用上述光學模式從具有上述興趣缺陷的上述積體電路設計佈局的上述部分產生一第二影像；以及藉由從上述第一影像和上述第二影像中之一者減去上述第一影像和上述第二影像中之另一者，產生上述模擬光學影像作為一差分影像。
  7. 一種再訓練晶圓檢查參數方法，包括：提供一資料庫，上述資料庫列出複數缺陷和對應上述缺陷的複數缺陷檢測訊號；對一晶圓區執行一第一光學檢查，上述晶圓區已基於一積體電路(IC)設計佈局製造，其中上述第一光學檢查的上述執行操作包括使用一第一光學參數組產生一光學影像；從上述光學影像產生一第一缺陷檢測訊號，其中上述第一缺陷檢測訊號與上述資料庫中列出的任何上述缺陷都不相關；在上述資料庫中識別最接近上述第一缺陷檢測訊號的一第二缺陷檢測訊號；藉由使用與上述第二缺陷檢測訊號相關的一第二光學參數組，對上述晶圓區執行一第二光學檢查，以識別上述資料庫中未列出的一缺陷；基於上述第二光學參數組識別上述缺陷的能力，確定是否修改用於檢查上述晶圓區的上述第一光學參數組的數值。
  8. 如請求項7之再訓練晶圓檢查參數方法，更包括基於未能滿足預定標準的上述缺陷檢測訊號的確定結果修改上述光學參數組的一或多個數值。
  9. 一種確定晶圓檢查參數方法，包括：對具有一缺陷的一晶圓區執行一第一光學檢查，上述晶圓區已基於一積體電路設計佈局製造，其中上述執行上述第一光學檢查的操作包括使用一第一光 學參數組產生一光學影像；從上述光學影像產生一第一缺陷檢測訊號，其中上述第一缺陷檢測訊號與上述缺陷不相關；識別與上述第一缺陷檢測訊號不同的一第二缺陷檢測訊號；藉由使用與上述第二缺陷檢測訊號相關的一第二光學參數組，對上述晶圓區執行一第二光學檢查，以識別上述缺陷；基於上述第二光學參數組識別上述缺陷的能力，修改用於檢查上述晶圓區的上述第一光學參數組的數值。
  10. 如請求項9之確定晶圓檢查參數方法，其中上述光學影像包括光學圖像包括沒有上述缺陷的上述晶片區和具有上述缺陷的上述晶圓區之間的差異的一影像。
  11. 一種非暫態計算機可讀媒體，其上儲存有用於執行包括機器可執行碼的方法的指令，上述方法當由至少一機器執行時，使上述機器執行以下操作：對具有一第一缺陷的一晶圓區執行一第一光學檢查，上述晶圓區已基於一積體電路設計佈局製造，其中上述執行上述第一光學檢查的操作包括使用一第一光學參數組產生一光學影像；從上述光學影像產生一第一特性，其中上述第一特性與上述第一缺陷不相關；識別與上述第一特性不同的一第二特性；藉由使用與上述第二特性相關的一第二光學參數組，對上述晶圓區執行一第二光學檢查，以識別上述第一缺陷；基於上述第二光學參數組識別上述第一缺陷的能力，修改用於檢查上述晶圓區的上述第一光學參數組的數值；以及 選擇用於識別上述第一缺陷的上述第二光學參數組。
  12. 如請求項11之非暫態計算機可讀媒體，其中上述光學影像包括沒有上述第一缺陷的上述晶片區和具有上述第一缺陷的上述晶圓區之間的差異的一影像。
  13. 一種確定晶圓檢查參數方法，包括：識別在具有一缺陷的一積體電路設計佈局(IC)中的一興趣區；使用一第一光學模式執行上述興趣區的一檢查模擬，從而產生一模擬光學影像；提供上述模擬光學影像至一特性計算模組和一訓練集；使用上述訓練集向上述模擬光學影像提供合適的複數影像以用於比較分析；藉由一神經網路處理上述影像以產生複數特性；藉由一分類層選擇上述特性以確定並輸出一缺陷機率；藉由一隨機森林模組混合或組合上述特性計算模組的一輸出和上述分類層的缺陷機率以產生一最終缺陷機率；藉由上述最終缺陷機率優化上述第一光學模式以得到用於檢測上述缺陷的一第二光學模式，上述第二光學模式與用於檢測上述缺陷的上述第一光學模式不同；選擇用於檢測上述缺陷的上述第二光學模式；以及在選擇上述第二光學模式之後，使用上述第二光學模式檢測一晶圓上的上述興趣區。
TW108130528A 2018-09-18 2019-08-27 確定和再訓練晶圓檢查參數方法、非暫態計算機可讀媒體 TWI801653B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862732813P 2018-09-18 2018-09-18
US62/732,813 2018-09-18
US16/250,128 2019-01-17
US16/250,128 US10867108B2 (en) 2018-09-18 2019-01-17 Optical mode optimization for wafer inspection

Publications (2)

Publication Number Publication Date
TW202013314A TW202013314A (zh) 2020-04-01
TWI801653B true TWI801653B (zh) 2023-05-11

Family

ID=69773912

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108130528A TWI801653B (zh) 2018-09-18 2019-08-27 確定和再訓練晶圓檢查參數方法、非暫態計算機可讀媒體

Country Status (3)

Country Link
US (4) US10867108B2 (zh)
CN (1) CN110911298A (zh)
TW (1) TWI801653B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11368158B2 (en) * 2018-06-26 2022-06-21 Intel Corporation Methods for handling integrated circuit dies with defects
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
US10801968B2 (en) * 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
JP2020160616A (ja) * 2019-03-25 2020-10-01 ブラザー工業株式会社 生成装置、コンピュータプログラム、生成方法
JP7271305B2 (ja) * 2019-05-16 2023-05-11 株式会社キーエンス 画像検査装置及び画像検査装置の設定方法
KR102268909B1 (ko) * 2020-04-10 2021-06-23 코그넥스코오포레이션 Edge Field와 딥러닝 기반 검사 방법
TWI777169B (zh) * 2020-05-27 2022-09-11 新加坡商鴻運科股份有限公司 品質管控方法、裝置、電腦裝置及存儲介質
CN113743688B (zh) 2020-05-27 2023-10-20 富联精密电子(天津)有限公司 质量管控方法、装置、计算机装置及存储介质
US11775822B2 (en) * 2020-05-28 2023-10-03 Macronix International Co., Ltd. Classification model training using diverse training source and inference engine using same
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
CN113032919B (zh) * 2021-03-12 2022-03-04 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
US11788972B2 (en) 2021-04-29 2023-10-17 Industrial Technology Research Institute Method of automatically setting optical parameters and automated optical inspection system using the same
TWI792291B (zh) * 2021-04-29 2023-02-11 財團法人工業技術研究院 光學參數自動設定方法及應用其之自動光學檢測系統
CN113740705A (zh) * 2021-08-13 2021-12-03 海光信息技术股份有限公司 一种确定芯片测试工况的方法、装置及相关设备
CN113670935A (zh) * 2021-08-25 2021-11-19 武汉中导光电设备有限公司 一种半导体晶圆缺陷检测设备及检测方法
US20230085039A1 (en) * 2021-09-15 2023-03-16 Onto Innovation, Inc. Substrate mapping using deep neural-networks
CN117413174A (zh) * 2021-11-15 2024-01-16 株式会社力森诺科 检查条件提示装置、表面检查装置、检查条件提示方法及程序
CN116297524B (zh) * 2023-04-07 2023-11-14 苏州矽行半导体技术有限公司 一种有图像晶圆的多模态检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7877722B2 (en) * 2006-12-19 2011-01-25 Kla-Tencor Corp. Systems and methods for creating inspection recipes
US20120316855A1 (en) * 2011-06-08 2012-12-13 Kla-Tencor Corporation Using Three-Dimensional Representations for Defect-Related Applications
US9310316B2 (en) * 2012-09-11 2016-04-12 Kla-Tencor Corp. Selecting parameters for defect detection methods
US9601393B2 (en) * 2009-02-06 2017-03-21 Kla-Tencor Corp. Selecting one or more parameters for inspection of a wafer
TW201732690A (zh) * 2015-12-22 2017-09-16 應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6886153B1 (en) * 2001-12-21 2005-04-26 Kla-Tencor Corporation Design driven inspection or measurement for semiconductor using recipe
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8073240B2 (en) * 2007-05-07 2011-12-06 Kla-Tencor Corp. Computer-implemented methods, computer-readable media, and systems for identifying one or more optical modes of an inspection system as candidates for use in inspection of a layer of a wafer
US8126255B2 (en) * 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US9367655B2 (en) 2012-04-10 2016-06-14 Taiwan Semiconductor Manufacturing Company, Ltd. Topography-aware lithography pattern check
US8631360B2 (en) 2012-04-17 2014-01-14 Taiwan Semiconductor Manufacturing Company, Ltd. Methodology of optical proximity correction optimization
US9607233B2 (en) * 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
US8850366B2 (en) 2012-08-01 2014-09-30 Taiwan Semiconductor Manufacturing Company, Ltd. Method for making a mask by forming a phase bar in an integrated circuit design layout
US8954899B2 (en) 2012-10-04 2015-02-10 Taiwan Semiconductor Manufacturing Company, Ltd. Contour alignment system
US8906595B2 (en) 2012-11-01 2014-12-09 Taiwan Semiconductor Manufacturing Company, Ltd. Method for improving resist pattern peeling
US9093530B2 (en) 2012-12-28 2015-07-28 Taiwan Semiconductor Manufacturing Company, Ltd. Fin structure of FinFET
US8796666B1 (en) 2013-04-26 2014-08-05 Taiwan Semiconductor Manufacturing Company, Ltd. MOS devices with strain buffer layer and methods of forming the same
US9195134B2 (en) 2013-08-01 2015-11-24 Taiwan Semiconductor Manufacturing Company, Ltd. Method and apparatus for integrated circuit mask patterning
US9224660B2 (en) * 2013-08-30 2015-12-29 Kla-Tencor Corp. Tuning wafer inspection recipes using precise defect locations
US9548303B2 (en) 2014-03-13 2017-01-17 Taiwan Semiconductor Manufacturing Company, Ltd. FinFET devices with unique fin shape and the fabrication thereof
US10133263B1 (en) * 2014-08-18 2018-11-20 Kla-Tencor Corporation Process condition based dynamic defect inspection
US9583438B2 (en) 2014-12-26 2017-02-28 Taiwan Semiconductor Manufacturing Company Ltd. Interconnect structure with misaligned metal lines coupled using different interconnect layer
US10338002B1 (en) * 2016-02-01 2019-07-02 Kla-Tencor Corporation Methods and systems for selecting recipe for defect inspection
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US10267748B2 (en) * 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US10699926B2 (en) * 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US10964016B2 (en) * 2018-03-13 2021-03-30 Kla-Tencor Corporation Combining simulation and optical microscopy to determine inspection mode
US10670536B2 (en) * 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US11668655B2 (en) * 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
US10867108B2 (en) 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7877722B2 (en) * 2006-12-19 2011-01-25 Kla-Tencor Corp. Systems and methods for creating inspection recipes
US9601393B2 (en) * 2009-02-06 2017-03-21 Kla-Tencor Corp. Selecting one or more parameters for inspection of a wafer
US20120316855A1 (en) * 2011-06-08 2012-12-13 Kla-Tencor Corporation Using Three-Dimensional Representations for Defect-Related Applications
US9310316B2 (en) * 2012-09-11 2016-04-12 Kla-Tencor Corp. Selecting parameters for defect detection methods
TW201732690A (zh) * 2015-12-22 2017-09-16 應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統

Also Published As

Publication number Publication date
US20210097226A1 (en) 2021-04-01
US20200089130A1 (en) 2020-03-19
US10867108B2 (en) 2020-12-15
US20220284167A1 (en) 2022-09-08
US20230367951A1 (en) 2023-11-16
TW202013314A (zh) 2020-04-01
US11347926B2 (en) 2022-05-31
CN110911298A (zh) 2020-03-24
US11748551B2 (en) 2023-09-05

Similar Documents

Publication Publication Date Title
TWI801653B (zh) 確定和再訓練晶圓檢查參數方法、非暫態計算機可讀媒體
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
JP6580179B2 (ja) 混合モードのウェハ検査のための方法
TWI648533B (zh) 用於相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之電腦實施方法及經組態以相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之系統
US8644588B2 (en) Photo-mask and wafer image reconstruction
US10014229B2 (en) Generating a wafer inspection process using bit failures and virtual inspection
TWI797382B (zh) 在極端紫外光光罩上所檢測到之缺陷處理
US20150110384A1 (en) Image inspection method of die to database
US9689805B2 (en) Systems and methods eliminating false defect detections
US20110194752A1 (en) Extending the Field of View of a Mask-Inspection Image
US8331645B2 (en) Photo-mask and wafer image reconstruction
US20170059491A1 (en) Determining One or More Characteristics of a Pattern of Interest on a Specimen
TWI627690B (zh) 藉由利用交替失效模式之標稱特性之圖案失效發現
TWI663667B (zh) 用於在檢查物件時自我調整取樣的方法和其系統
TWI840634B (zh) 網線檢查系統
TW202138911A (zh) 整合式多工具網線檢查
KR20180125592A (ko) 다중 패턴화 제조 소자에서 오버레이 관련 결함을 검출하는 설계 인식 시스템, 방법 및 컴퓨터 프로그램 제품